• Journal of the Korea Society of Computer and Information
• /
• v.5 no.2
• /
• pp.165-172
• /
• 2000

This study was focused on finding an effective way for improving English listening ability of students. who are majoring in Office Automation at Dong Seoul College, In order to achieve the best method, the study was to investigate the theories and the teaching techniques of listening comprehension approach. In this regard, Toeic tests were conducted. and the results were analized. This study suggests that various listening experiences should be given to the students to achieve the ultimate goal of listening comprehension for communication.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2003.05b
• /
• pp.975-978
• /
• 2003

엔진을 도입하여 개발할 경우 단지 하부 구조를 구현하지 않았을 뿐, 엔진 내용을 이해할 정도의 수준이 되어야 한다는 것이다. 그러므로 게임 업계에서는 양질의 게임을 개발하기 위해서 여전히 고급 프로그래머를 필요로 하고 있으며, 이러한 부분은 여전히 개발비 상승에 영향을 미치고 있다. 그러므로 프로그램을 이해하는 기획자 수준에서도 게임을 개발할 수 있는 좀 더 상위 개념의 개발 방법의 필요성이 대두되고 있다. 본 논문에서는 이러한 문제를 해결하기 위해 스크립트를 이용하여 게임게임 전체 관리 부분, 모델의 AI부분 카메라 조작 부분으로 게임을 구성할 수 있도록 하였다. 그리고 스크립트 언어는 2 계층의 구조를 갖고 있으며, 하부 계층은 직접적으로 엔진을 제어하게 되어있다. 그러나 스크립트의 목표는 직접적인 엔진 제어를 줄이는 추상화작업을 목표로 하기 때문에 이를 추상화한 상부계층의 스처립트 언어를 설계하여 하부계층의 엔진제어 모듈로 변환하도록 하였다. 따라서 본 논문에서는 게임엔진을 직접적으로 모델링 하지 않고 개발하기 위한 추상화된 상위 단계의 스크립트 언어를 이용하여 기획단계예서 게임을 구성해 볼 수 있으며, 직접적으로 하부구조의 엔진 구현 및 엔진의 내용을 잘 이해할 정도의 수준이 아니더라도 스크립트언어를 이용하여 게임을 개발할 수 있다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2003.10b
• /
• pp.349-351
• /
• 2003

Statecharts는 UML에서 시스템의 행위를 표현하기 위한 핵심적인 언어로서 다양한 분야에 응용되고 있다. 그 의미론은 수학적인 방법으로 기술되어 있으나 실제로 응용하여 구현하는데에는 상당히 많은 과정을 거쳐야 한다. 본 논문에서는 UML Statecharts와 유사한 언어인 SyncCharts로 정의한다. SyncCharts는 Esterel의 정형명세 언어에 기반한 도식적인 언어로서 그 의미론은 물론 내장형 시스템의 코딩을 위해 잘 정의되고 진화된 언어이다. 본 논문에서는 SyncCharts를 이용하여 Statecharts의 의미론을 정의한다. 특히 실시간적인 행위 측면에서의 동기적 시간 의미론과 비동기적 시간 의미론을 모두 정의한다. 이렇게 함으로써 UML Statecharts의 실시간과 관련된 의미론을 정의한다. 그에 더하여 SyncCharts의 명세를 통해 어떻게 구현이 가능한지를 보임으로서 실제 Statecharts를 이용한 검증 및 구현 과정을 보인다.

• Annual Conference on Human and Language Technology
• /
• 2023.10a
• /
• pp.66-71
• /
• 2023

ChatGPT가 등장한 이후 다양한 거대 언어 모델(Large Language Model, LLM)이 등장하였고, 이러한 LLM을 목적에 맞게 파인튜닝하여 사용할 수 있게 되었다. 하지만 LLM을 새로 학습하는 것은 물론이고, 단순 튜닝만 하더라도 일반인은 시도하기 어려울 정도의 많은 컴퓨팅 자원이 필요하다. 본 연구에서는 공개된 LLM을 별도의 학습 없이 사용하여 zero-shot 프롬프팅으로 이진 분류 태스크에 대한 성능을 확인하고자 했다. 학습이나 추가적인 튜닝 없이도 기존 선학습 언어 모델들에 준하는 이진 분류 성능을 확인할 수 있었고, 성능이 좋은 LLM의 경우 분류 실패율이 낮고 일관적인 성능을 보여 상당히 높은 활용성을 확인하였다.

• The Transactions of the Korea Information Processing Society
• /
• v.5 no.9
• /
• pp.2224-2232
• /
• 1998

본 논문은 공간데이터와 비공간 데이터를 연계 처리하는 공간 데이터베이스 시스템에서 데이터의 의미적 무결성을 보장하는 확장된 공간 질의 처리 시스템의 구현에 대해 기술한다. 다양한 실세계의 지형 및 공간 정보를 모델링해야하는 지리정보 시스템은 공간 데이터베이스 시스템을 기반으로 구현되고 있다. 이러한 공간 데이터베이스 시스템에서 다루는 데이터는 단순 객체가 아닌 추상화된 복합 객체로 다양한 유도 데이터에 대한 의미적 무결성을 데이터베이스 시스템 내부에서 효율적으로 유지해야 하며 공간 데이터의 의미적 특성을 제약 조건의 형태로 표현할 수 있어야 한다. 본 논문에서는 공간 질의 처리기를 확장하기 위해 공간 데이터에 대한 무결성 정보를 술어 논리 형태로 표현할 수 있는 공간 제약 언어를 제안한다. 제안된 공간 제약 언어는 축약된 질의 트리 형태로 메타-데이터베이스에 저장하며 저장된 공간 제약 언어는 사용자의 질의에 대해 공간 데이터베이스의 일치성을 보장하는 정보로 사용된다.

• Annual Conference on Human and Language Technology
• /
• 2018.10a
• /
• pp.636-638
• /
• 2018

본 논문에서는 영어권에 비해 상대적으로 부족한 한국어 언어자원을 지속적으로 구축함으로써 한국어 문서로 구성된 시간정보 주석 말뭉치를 확보하고 이를 바탕으로 한국어 시간정보추출 시스템에 대한 연구를 수행한다. 말뭉치 구축 과정에서의 시간정보 주석 작업은 가이드라인을 숙지한 주석자들이 수작업으로 기록하고, 어떤 주석 결과에 대해 의견이 다른 경우에는 중재자가 주석자들과 함께 검토하며 합의점을 도출한다. 시간정보추출 시스템은 자연어 문장에 대한 형태소 분석결과를 이용하여 시간표현(TIMEX3), 시간관계와 연관된 사건(EVENT), 시간표현 및 사건들 간의 시간관계(TLINK)를 추출하는 단계로 이루어진다. 추출된 한국어 시간정보는 문서 내 공통된 개체에 대한 공간정보와 결합함으로써 시공간정보가 모두 반영된 SPOTL을 생성한다. 추후 실험을 통하여 제안시스템의 구체적인 시간정보추출 성능을 파악할 것이다.

• Annual Conference on Human and Language Technology
• /
• 2001.10d
• /
• pp.221-225
• /
• 2001

본 논문에서는 대량의 말뭉치를 바탕으로 한국어에 대해 단어 기반의 n-gram 언어 모델과 클래스 기반의 언어 모델을 구축하고, 이를 실험적으로 검증한다. 단어 기반의 n-gram 모델링의 경우 Katz의 백오프와 Kneser-ney의 스무딩(smoothing) 알고리즘에 대해 실험을 수행한다. 클래스 기반의 언어 모델의 경우에는 품사 태그를 단어의 클래스로 사용한 경우와 말뭉치로부터 자동으로 구축된 클래스를 사용한 경우로 나누어 실험한다. 마지막으로 단어 기반 모델과 클래스 기반 모델을 결합하여 각각의 모델과 그 성능을 비교한다. 실험 결과 단어 기반의 언어 모델의 경우 Katz의 백오프에 비해 Knerser-ney의 스무딩이 보다 조은 성능을 나타내었다. 클래스 기반의 모델의 경우 품사 기반의 방범보다 자동 구축된 단어 클래스를 이용하는 방법의 성능이 더 좋았다. 또한, 단어 모델과 클래스 모델을 결합한 모델이 가장 좋은 성능을 나타냈다. 논문의 모든 알고리즘은 직접 구현되었으며 KLM Toolkit이란 이름으로 제공된다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2017.11a
• /
• pp.1037-1040
• /
• 2017

현재 머신러닝과 딥러닝의 기술이 빠른 속도로 발전하면서 수많은 인공지능 음성 비서가 출시되고 있지만, 발화자의 문장 내 존재하는 단어만 분석하여 결과를 반환할 뿐, 비언어적 요소는 인식할 수 없기 때문에 결과의 구조적인 한계가 존재한다. 따라서 본 연구에서는 인간의 의사소통 내 존재하는 비언어적 요소인 말의 빠르기, 성조의 변화 등을 수치 데이터로 변환한 후, "플루칙의 감정 쳇바퀴"를 기초로 지도학습 시키고, 이후 입력되는 음성 데이터를 사전 기계학습 된 데이터를 기초로 kNN 알고리즘을 이용하여 분석한다.

• The Journal of the Institute of Internet, Broadcasting and Communication
• /
• v.24 no.1
• /
• pp.141-147
• /
• 2024

Recently, there has been growing interest in personalized services tailored to an individual's preferences. This has led to ongoing research aimed at recognizing and leveraging an individual's personality traits. Among various methods for personality assessment, the OCEAN model stands out as a prominent approach. In utilizing OCEAN for personality recognition, a multi modal artificial intelligence model that incorporates linguistic, paralinguistic, and non-linguistic information is often employed. This paper examines the impact of the margin value set for extracting facial areas from video data on the accuracy of a personality recognition model that uses facial expressions to determine OCEAN traits. The study employed personality recognition models based on 2D Patch Partition, R2plus1D, 3D Patch Partition, and Video Swin Transformer technologies. It was observed that setting the facial area extraction margin to 60 resulted in the highest 1-MAE performance, scoring at 0.9118. These findings indicate the importance of selecting an optimal margin value to maximize the efficiency of personality recognition models.

• Annual Conference on Human and Language Technology
• /
• 2022.10a
• /
• pp.473-476
• /
• 2022

문장 임베딩은 문장의 의미를 고려하여 모델이 적절하게 의미적인 벡터 공간에 표상하는 것이다. 문장 임베딩을 위해 다양한 방법들이 제안되었지만, 최근 가장 높은 성능을 보이는 방법은 대조적 학습 방법이다. 대조적 학습을 이용한 문장 임베딩은 문장의 의미가 의미적으로 유사하면 가까운 공간에 배치하고, 그렇지 않으면 멀게 배치하도록 학습하는 방법이다. 이러한 대조적 학습은 비지도와 지도 학습 방법이 존재하는데, 본 논문에서는 효과적인 비지도 학습방법을 제안한다. 기존의 비지도 학습 방법은 문장 표현을 학습하는 언어모델이 자체적인 정보를 활용하여 문장의 의미를 구별한다. 그러나, 하나의 모델이 판단하는 정보로만 문장 표현을 학습하는 것은 편향적으로 학습될 수 있기 때문에 한계가 존재한다. 따라서 본 논문에서는 Cross-Encoder의 Re-Ranker를 통한 의미 검색으로부터 추천된 문장 쌍을 학습하여 기존 모델의 성능을 개선한다. 결과적으로, STS 테스크에서 베이스라인보다 2% 정도 더 높은 성능을 보여준다.